Contexto

• Las estrategias AILA se construyen sobre activos que, a su vez, utilizan señales de asignación procedentes de modelos de clasificación específicos, según el enfoque multimodelo móvil (RMM) que se describe a continuación:
• De 2017 a 2021: las señales de asignación las genera 1016.
• A partir de 2022, cada año se apila una nueva ventana sobre la combinación de ventanas existente, y la contribución de la señal de cada ventana se considera con ponderación equitativa.
• El objetivo del enfoque es aprovechar al máximo unos datos de entrenamiento finitos, evitando a la vez la filtración de datos y el sobreajuste.
• Entrenar, desplegar y operar cada modelo en una ventana de entrenamiento supone una inversión adicional, por lo que es necesario evaluar si resulta beneficioso.

Objetivo

El propósito del ejercicio es evaluar:

• El enfoque de múltiples ventanas frente a una sola ventana, en términos de rendimiento global de la cartera.
• La robustez de la metodología de entrenamiento subyacente, a partir de la coherencia de las rentabilidades globales al combinar ventanas.

Enfoque

• Se construyeron carteras diversificadas que cubren los mismos contratos en agricultura (cereales, ganado, oleaginosas y productos blandos), metales (básicos y preciosos), petróleo (crudo y productos refinados) y gas natural, para simular la incorporación gradual de nuevos modelos de ventana T-V (ventana) cada año.
• Como en nuestra metodología de construcción de carteras las nuevas ventanas se apilan a partir de 2022, el análisis toma como base de evaluación el rendimiento de las carteras desde ese año.
• En consecuencia, las 5 carteras se han construido siguiendo la lógica de incorporación RMM que se indica a continuación:
  • W0: incluye solo 1016; también se denomina cartera de una sola ventana.
  • W1: incluye 1016 y 1117, con una ponderación del 50% para cada ventana a partir de 2022.
  • W2: sigue a W1 en 2022, y se añade 1218 a la pila con una ponderación del 33.33% para cada ventana a partir de 2023.
  • W3: sigue a W2 hasta 2023, y se añade 1319 a la pila desde 2024 con una ponderación del 25% para cada ventana a partir de 2024.
  • W4: sigue a W3 hasta 2024, y se añade 1420 a la pila desde 2025 con una ponderación del 20% para cada ventana a partir de 2024.
  • W5: sigue a W4 hasta 2025, y se añade 1521 a la pila desde 2025 con una ponderación del 16.66% para cada ventana a partir de 2024.

Medida del rendimiento

• El rendimiento de estas carteras se medirá mediante sus rentabilidades acumuladas y su ratio de Sharpe.
• Cabe señalar que estas medidas no evalúan el rendimiento de cada ventana por separado, sino que valoran la metodología móvil de apilar ventanas de forma gradual cada año.
• También desglosaremos las rentabilidades por materia prima para obtener una visión detallada del rendimiento móvil de cada componente.

• Todas las carteras evolucionan muy de cerca en términos de rentabilidades acumuladas globales y ratios de Sharpe:
  • W0: 108.36% / ratio de Sharpe global: 3.09
  • W1: 105.69% / ratio de Sharpe global: 2.76
  • W2: 106.54% / ratio de Sharpe global: 2.73
  • W3: 104.89% / ratio de Sharpe global: 2.68
  • W4: 106.43% / ratio de Sharpe global: 2.70
  • W5: 107.28% / ratio de Sharpe global: 2.71
• W0, basada en la ventana única 1016, supera ligeramente a las demás carteras de ventanas en el conjunto del período, y W5, con todas las ventanas, ocupa el segundo lugar.
• Como cabía esperar, en el período de 2022 a 2023 los rendimientos están alineados; les sigue el período de 2023 a mediados de 2024, en el que W0 obtiene mejores resultados.
• Un análisis más detallado muestra que, desde mediados de 2024, W1-W5 presentan una tasa de variación más pronunciada de las rentabilidades acumuladas, que reduce la distancia con la cartera W0, lo que implica un mejor rendimiento de todas las carteras de múltiples ventanas.
• W0 tiene el ratio de Sharpe más alto, 3.09, que cae bruscamente a medida que aumenta la combinación de ventanas en las carteras, pero se estabiliza en torno a 2.70.
• Las rentabilidades diarias presentan un alto grado de correlación entre sí, y las de múltiples ventanas están muy estrechamente correlacionadas.

• La cartera construida incluye un total de 25 materias primas. Se desglosó el análisis por rentabilidades de cada materia prima para obtener una imagen más detallada de las contribuciones.
• Los dos histogramas que se presentan aquí muestran la frecuencia con la que cada cartera W0-W5 lidera el rendimiento (puesto 1) según la rentabilidad acumulada y el ratio de Sharpe entre las 25 materias primas.
• Aunque W1 tuvo la rentabilidad acumulada más baja a nivel de cartera global, ocupa el puesto n.º 1 en 6 materias primas, tanto por rentabilidad acumulada como por ratio de Sharpe.
• W5 ocupa el puesto n.º 1 en 8 materias primas según la rentabilidad acumulada, pero solo en 4 según el ratio de Sharpe.
• Como se observa en los gráficos individuales (véase el anexo), en cada materia prima, aunque la tendencia y la dirección del rendimiento son similares, hay un mayor grado de variación del rendimiento entre W0 y W1-W5.
• La variación del ratio de Sharpe (véase el anexo) entre W0 y W1-W5 también es mayor.
• La variación puede explicarse porque los parámetros de construcción de la cartera (capital, objetivos de optimización, límites por sector y activo, etc.), aunque idénticos en las 5 carteras, pueden amplificar las variaciones a nivel de cada materia prima, a la vez que hacen converger el rendimiento a nivel global.

• Una cuestión fundamental del análisis es examinar si un enfoque de múltiples ventanas para agregar las señales de asignación es mejor que una sola ventana, medido en términos de rendimiento global.
• En este análisis vemos que una cartera de una sola ventana, W0, supera a las demás combinaciones de ventanas.
• Un análisis más detallado revela algunos patrones interesantes: en los 2 primeros años parece haber una caída del rendimiento a medida que se apilan ventanas, lo que sugiere una degradación de la rentabilidad respecto a W0. A partir de 2024 observamos que los rendimientos se recuperan y convergen, lo que sugiere que las ventanas aportan rentabilidad en ese período.
• Al examinar el rendimiento por materia prima, vemos que, aunque las rentabilidades de una sola ventana son las que con más frecuencia obtienen mejores resultados, las demás combinaciones de ventanas (W1 y W5) también rinden de forma convincente en ciertas materias primas. No obstante, la variación del rendimiento entre las combinaciones de ventanas es mayor.
• Aunque no podemos determinar de forma concluyente que exista una relación positiva al añadir más ventanas, las ventanas móviles no degradan de forma significativa las rentabilidades absolutas ni la calidad de las rentabilidades, y aportan un margen que refuerza el rendimiento en ciertos períodos en los que la cartera de una sola ventana flaquea.
• Una conclusión más definitiva, basada en el rendimiento de W0 y en la alta correlación entre los rendimientos de W0-W5, es que la metodología de entrenamiento subyacente de AILA es muy coherente y, por tanto, robusta.